Risk Quantiles के लिए Cornish–Fisher Expansion की व्याख्या
समझें कि Cornish–Fisher cumulants से normal quantiles को कैसे adjust करती है, Edgeworth से कैसे अलग है और tail-risk estimates में monotonicity तथा stability checks क्यों चाहिए
सीधा जवाब
Cornish–Fisher expansion standardized cumulants से reference normal quantile को correct करके distribution के quantiles approximate करती है। यह skewness और kurtosis को scenario या VaR adjustments में बदल सकती है, लेकिन truncated formula crossed quantiles और unreliable far-tail estimates बना सकती है
Output density नहीं, quantile है
Probability p के लिए z_p=Φ^{-1}(p) को standard normal quantile मानें
Cornish–Fisher z_p को adjust करती है, फिर target mean μ और standard deviation σ से result rescale करती है
यह बताती है कि p से कौन-सा threshold जुड़ा है, उस threshold के आगे density या expected loss क्या है यह नहीं
Skewness और kurtosis पहली corrections बनाते हैं
Standardized skewness γ₁ और excess kurtosis γ₂ के साथ common truncation z_p+γ₁(z_p²−1)/6 से शुरू होती है
फिर σ से multiply और μ add करने से पहले γ₂(z_p³−3z_p)/24−γ₁²(2z_p³−5z_p)/36 जोड़ती है
γ₁² term दिखाता है कि asymptotic order केवल हर higher moment के लिए एक correction जोड़ना नहीं है
Expansion asymptotic inversion से आती है
Cornish–Fisher cumulative distribution के Edgeworth approximation को invert करके derive की जा सकती है
Edgeworth x पर density या CDF approximate करती है; Cornish–Fisher चुनी हुई cumulative probability पाने वाला x approximate करती है
Controlled order के लिए दोनों में declared asymptotic sequence और cumulant scaling चाहिए
Risk applications में सही measure चाहिए
Physical-return estimate historical या forecast VaR scenarios adjust कर सकती है, जबकि option-implied cumulants risk-neutral distribution describe करते हैं
दोनों inputs अलग questions के उत्तर हैं और skewness तथा kurtosis शब्द समान होने के कारण उन्हें mix नहीं करना चाहिए
Cornish–Fisher threshold देती है, Expected Shortfall नहीं; ES उस threshold से आगे full loss distribution पर निर्भर करती है
Quantiles cross या backward run कर सकती हैं
Polynomial correction बड़े |z_p| के लिए तेजी से बढ़ती है और estimated quantile को p बढ़ने पर घटा सकती है
Large skewness या kurtosis approximation को variable के support से बाहर ले जा सकती है या intended tail ordering reverse कर सकती है
Monotone rearrangement numerical ordering ठीक कर सकती है, लेकिन repaired curve untouched truncated expansion नहीं रहती
Estimated cumulants एक और error layer जोड़ते हैं
Sample skewness और kurtosis noisy होते हैं और outliers, window choice, regime shifts तथा dependence के प्रति sensitive होते हैं
Estimated inputs को known मानने से parameter uncertainty ignore होती है, जो formal asymptotic correction पर हावी हो सकती है
Far-tail probabilities coefficient error और truncation error दोनों amplify करती हैं, ठीक वहीं जहाँ risk decisions सबसे consequential होते हैं
Validation quantiles को curve की तरह test करे
Dense probability grid पर q(p) की monotonicity, finite values, support constraints और sensible endpoint behavior check करें
कई probability levels पर exact distributions, simulation, bootstrap intervals और out-of-sample exceedance rates से तुलना करें
Cumulant convention, sample horizon, dependence treatment, truncation order, repair method और separate expected-shortfall calculation record करें
आम सवाल
Cornish–Fisher expansion क्या estimate करती है?
यह reference normal quantile में skewness, kurtosis और higher cumulants से corrections जोड़कर चुना हुआ quantile estimate करती है
Cornish–Fisher Edgeworth से कैसे अलग है?
Edgeworth किसी value पर density या CDF approximate करती है, जबकि Cornish–Fisher चुनी हुई probability से जुड़ी value approximate करती है
क्या Cornish–Fisher Expected Shortfall calculate कर सकती है?
अपने आप नहीं। Expected Shortfall को quantile के आगे average loss चाहिए, जो एक corrected threshold से निर्धारित नहीं होता
Cornish–Fisher quantiles cross क्यों कर सकती हैं?
Truncated polynomial corrections tails में बढ़ और oscillate कर सकती हैं, जिससे approximate quantile function nonmonotone बन जाती है